人工智能與機器學(xué)習技術(shù)研究

檀亞寧 王子浪 趙林健

摘 要 機器學(xué)習是人工智能的核心，也是人工智能技術(shù)發(fā)展的第三階段。本文簡要分析了人工智能機器學(xué)習的研究要點，并對機器學(xué)習的技術(shù)核心——深度學(xué)習（多層神經(jīng)網(wǎng)絡(luò)）重點進行探究，旨在從算法層面促進機器學(xué)習技術(shù)的發(fā)展與應(yīng)用，推動人工智能的健康發(fā)展。

關(guān)鍵詞 人工智能；機器學(xué)習；深度學(xué)習

機器學(xué)習的初衷是通過學(xué)習，AI能夠從數(shù)據(jù)或歷史經(jīng)驗中發(fā)現(xiàn)規(guī)律，自動獲取相關(guān)知識。人工智能涉及到的專業(yè)領(lǐng)域多而復(fù)雜，但最終的目的都是使AI具備與人類相似的獨立思考能力，即“聰明”屬性。因此，有必要通過人工智能算法脈絡(luò)解析算法應(yīng)用基本場景，對AI進行更為理性的理解與思考。

1基于人工智能的機器學(xué)習研究要點

1.1與環(huán)境相適應(yīng)

對于環(huán)境的適應(yīng)性不同是機器與人類主要差別，環(huán)境因素影響機器學(xué)習的質(zhì)量，因此人工智能技術(shù)研究中機器對于環(huán)境的適應(yīng)性也是重點研究課題。此外，建立機器內(nèi)部體系存放的原則通常遵循環(huán)境適應(yīng)性原則，基于環(huán)境復(fù)雜性特點，機器學(xué)習中需要有大量數(shù)據(jù)作為支撐，同時適當刪減多余環(huán)節(jié)，盡量簡化機器學(xué)習過程。

1.2擴展機器知識庫

需要為機器學(xué)習提供種類豐富且表現(xiàn)形式多樣化的知識庫，包括特征向量、規(guī)則化語言以及網(wǎng)絡(luò)化關(guān)聯(lián)等[1]。在此基礎(chǔ)上適當擴展并延伸知識庫內(nèi)容，提升機器學(xué)習能力。需要注意的是：一方面選擇邏輯較為簡單且表意明確的模式，另一方面推理過程容易理解，以此降低機械計算成本。

2機器學(xué)習技術(shù)中的深度學(xué)習技術(shù)

在大數(shù)據(jù)背景下，機器需要處理大量且復(fù)雜的數(shù)據(jù)信息，傳統(tǒng)人工智能的機器學(xué)習理論難以勝任，無法有效理解并模擬人類學(xué)習過程，在發(fā)現(xiàn)新事物的能力以及對不完全信息推理能力方面存在較多缺陷?；诖?，需要運用深度學(xué)習技術(shù)研究新的機器學(xué)習算法。以人工智能AlphaGo為例，其采用了最新神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建了策略網(wǎng)絡(luò)以及評價網(wǎng)絡(luò)兩個“大腦”，在深度學(xué)習技術(shù)的支持下，顯著提升了大腦對數(shù)據(jù)處理的準確度和速度。AlphaGo使用了全新算法，其出現(xiàn)為機器學(xué)習技術(shù)發(fā)展帶來全新的前景。

2.1機器學(xué)習與 AlphaGo 的適切性

AlphaGo作為人工智能的尖端成果，運用了多種機器學(xué)習方法，但最為主要的有如下幾種。（1）預(yù)測，即根據(jù)自身已知對未知進行估計。在機器學(xué)習中，預(yù)測可理解為開發(fā)一種新的數(shù)學(xué)模型，并根據(jù)收集的數(shù)據(jù)（預(yù)測變量）對未知數(shù)據(jù)（預(yù)測變量）進行推斷。以AlphaGo戰(zhàn)勝國際象棋世界冠軍卡斯帕羅夫為例，正是因為他可以借助對戰(zhàn)分析人類棋手下棋模式，運用預(yù)測手段對人類棋手后續(xù)走子行為作出較為精準的預(yù)測。通常情況下，預(yù)測常用的方法為分類和回歸。

2.1.1分類

分類算法包括決策樹、隨機森林、逐步回歸和邏輯回歸等。以AlphaGo與李世石的對局為例，其主要使用了決策樹算法，對其下棋未來幾步甚至幾十步走子數(shù)據(jù)進行了分析預(yù)測。

2.1.2回歸

不同于分類，回歸是以連續(xù)數(shù)值型作為目標數(shù)據(jù)，主要包括有線性回歸算法和回歸樹算法，通常情況下多用于研究多個數(shù)據(jù)之間的潛在聯(lián)系，并通過數(shù)學(xué)方法進行描述。AlphaGo在對局中采用的是邏輯回歸算法，在復(fù)雜多變的情況下，判斷對手在棋盤各個位置上可能走子的概率作為自身走子的依據(jù)。人類充當導(dǎo)師的角色，通過機器學(xué)習技術(shù)使得機器學(xué)會思考，甚至比人類更會思考。

2.2深度學(xué)習算法在人工智能的應(yīng)用

AlphaGo將深度學(xué)習技術(shù)運用到登峰造極的地步，促進了人工智能智能化水平的提升，是機器學(xué)習技術(shù)的價值體現(xiàn)[2]。AlphaGo在對局中，系統(tǒng)主要由Policy Network（策略網(wǎng)絡(luò)）、Fastrollout（快速走子）、Value Network（價值網(wǎng)絡(luò)）、MonteCarlo Tree Search（蒙特卡洛樹搜索）四部分構(gòu)成。其中，Policy Network用于分析當前局勢，對下一步走子進行采樣并預(yù)測。Fastrollout可顯著提升走子速度。Value Network通過分析數(shù)據(jù)，可對棋局各方勝率提前作出預(yù)判。而MonteCarlo Tree Search是連接上述三部分的紐帶，使其形成完整的系統(tǒng)。

運用深度學(xué)習法，AlphaGo通過神經(jīng)網(wǎng)絡(luò)的非監(jiān)督式學(xué)習來指派初始權(quán)重，并擁有兩個相對獨立的大腦，即策略網(wǎng)絡(luò)與評價網(wǎng)絡(luò)。研究人員將大量職業(yè)選手棋譜輸入到系統(tǒng)中，通過算法，AlphaGo的準確率已經(jīng)高達50%以上，同時卷積核對棋盤無用區(qū)域的過濾作用使得預(yù)測速度提高了千倍以上。

通過深度學(xué)習技術(shù)，人工智能的學(xué)習能力仍在不斷進步中，最新升級的AlphaGoZero將兩個大腦一體化，將快速隨機走子方式進行升級，通過提升神經(jīng)網(wǎng)絡(luò)的質(zhì)量完成決策與評估。此外，AlphaGoZero的學(xué)習能力進一步提升表現(xiàn)在能夠在不提前輸入圍棋規(guī)則情況下，依靠自身3天內(nèi)完成近500次博弈，從中逐漸建立起一套圍棋策略體系。在與AlphaGo的對決中，以100：0的成績完勝。

3結(jié)論

在信息革命以及大數(shù)據(jù)時代背景下，深度學(xué)習作為機器學(xué)習的子領(lǐng)域具有廣闊的發(fā)展前景，利于促進人工智能技術(shù)不斷發(fā)展并逐漸邁向新高度。未來，人工智能或?qū)臋C器學(xué)習階段最終發(fā)展進入通用智能系統(tǒng)階段，由此我國應(yīng)重視相關(guān)人才的培養(yǎng)，鼓勵并支持機器學(xué)習技術(shù)的發(fā)展與應(yīng)用，促進人工智能產(chǎn)業(yè)發(fā)展。

參考文獻：

[1]李康化，姜姍.機器學(xué)習與文化生產(chǎn)變革——基于AI技術(shù)發(fā)展視角[J].湘潭大學(xué)學(xué)報（哲學(xué)社會科學(xué)版），2020，44（01）：74-79.

[2]余濤，賈如春.基于機器學(xué)習算法人工智能技術(shù)的發(fā)展與應(yīng)用[J].數(shù)學(xué)學(xué)習與研究，2019（13）：149.